El monitoreo preciso y oportuno de los tipos de cobertura terrestre es de gran importancia para la planificación científica, la utilización racional, la protección efectiva y la gestión de los recursos terrestres. En los últimos años, la clasificación de la cobertura terrestre basada en imágenes hiperespectrales y el modelo de representación colaborativa (CR) se ha convertido en un tema candente en el campo de la teledetección. Sin embargo, la mayoría de los modelos CR existentes no consideran el problema del desequilibrio de muestras, lo que afecta el rendimiento de clasificación de los modelos CR. Además, el término de regularización de Tikhonov puede mejorar el rendimiento de clasificación de los modelos CR, pero aumenta considerablemente la complejidad computacional de los modelos CR. Para abordar los problemas mencionados, se propone en este artículo un método de vecino más cercano local (LNN) para seleccionar el mismo número de muestras de vecinos más cercanos de cada clase más cercana de la muestra de prueba para construir un diccionario. Este se introduce luego en el método original de clasificación de representación colaborativa (CRC) y en el CRC con regularización de Tikhonov (CRT) para la clasificación de la cobertura terrestre, denominados LNNCRC y LNNCRT, respectivamente. Para verificar la efectividad de los métodos propuestos LNNCRC y LNNCRT, se comparan el rendimiento de clasificación y el tiempo de ejecución de los métodos propuestos con los de seis modelos CR populares en una escena hiperespectral con nueve tipos de cobertura terrestre. Los resultados experimentales muestran que el método LNNCRT propuesto logra el mejor rendimiento de clasificación de cobertura terrestre, y los métodos LNNCRC y LNNCRT propuestos no solo excluyen aún más la interferencia de muestras y clases de entrenamiento irrelevantes, sino que también eliminan efectivamente la influencia de muestras de entrenamiento desequilibradas, mejorando así el rendimiento de clasificación de los modelos CR y reduciendo efectivamente la complejidad computacional de los modelos CR.